Spatio-temporal neural models for sustainable mobility and air quality

Resumen

Aunque las series temporales y espaciales han sido ampliamente estudiadas por separado, los sistemas espacio-temporales propiamente dichos siguen siendo un campo abierto de investigación. Dado que un gran número de procesos naturales y humanos encajan en un dominio espacio-temporal, el desarrollo de nuevas herramientas y metodologías destinados a caracterizarlos es de vital importancia. Entre ellas, las redes neuronales tienen la capacidad de desenvolverse bien en entornos altamente dimensionales y no lineales, lo que hace que este tipo de modelos sean muy atractivos para la predicción de fenómenos espacio-temporales. Por otro lado, es un hecho que hoy en día la movilidad sostenible y calidad del aire son campos que están adquiriendo una importancia creciente debido a su gran impacto en la salud pública, logística y economía. Dentro de esta casuística es de gran interés desarrollar herramientas que nos permitan optimizar y predecir procesos en tales campos. Debido a ello, esta tesis centra todos sus esfuerzos en abordar cuestiones enmarcadas en dichas áreas de estudio. En concreto, se propone un nuevo modelo para la predicción del tráfico centrado en la mejora de la interpretabilidad de sistemas neuronales, se profundiza en el uso de redes convolucionales para resolver problemas espacio-temporales y se propone un nuevo marco para la predicción de la contaminación en Madrid que se encuentra actualmente operativo como la herramienta oficial del ayuntamiento.